CN116703975A - 一种用于无人机的智能化目标图像跟踪方法 - Google Patents
一种用于无人机的智能化目标图像跟踪方法 Download PDFInfo
- Publication number
- CN116703975A CN116703975A CN202310697873.1A CN202310697873A CN116703975A CN 116703975 A CN116703975 A CN 116703975A CN 202310697873 A CN202310697873 A CN 202310697873A CN 116703975 A CN116703975 A CN 116703975A
- Authority
- CN
- China
- Prior art keywords
- sensor
- output
- image
- data
- tracking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 239000013618 particulate matter Substances 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种用于无人机的智能化目标图像跟踪方法，利用以图像为主的多种传感器感知周围环境，加强图像跟踪智能算法对周围环境的识别力，建立多种传感器的智能图像跟踪模型，提高图像目标跟踪的精度和计算效率。
Description
技术领域
本发明内容属于目标跟踪技术领域，特别地，涉及一种用于无人机的智能化目标图像跟踪方法。
背景技术
图像跟踪是机器视觉领域的重要内容，被应用于智能视频监控等领域，属于我国大力发展的人工智能技术之一，对于推动智慧城市、智能制造等国家战略的发展具有重要作用，是保障国家财产和人民安全的重要举措。
目标跟踪技术目前主要存在可疑目标、正常目标之间界限不清，频繁遮挡、表观近似等复杂情况导致跟踪不准确等瓶颈问题，而这些瓶颈问题在无人机实际应用的复杂环境下表现得更加突出。相比较于目前较常用的车载环境，无人机视觉应用的环境更加广泛，不仅用于城市道路，还广泛应用于农林植保，电力维修，外场作业等，环境更加复杂多变，为图像跟踪带来了巨大挑战。
现有技术中使用神经网络模型进行目标的跟踪，然而大部分主要集中在目标的识别，对于追踪本身效果不佳，也没有专门用于追踪的网络模型。此外，目前的跟踪神经网络大多数输入为图像数据，这在外界条件理想的情况下可以取得较好效果，但难以适应外部变化的环境，限制了无人机的应用范围。而且，过于庞大的网络规模会带来计算速度低、耗电高的问题，不适合在无人机上使用。
发明内容
为了解决在无人机在复杂环境下实现图像快速、准确、智能跟踪的问题，本发明提出一种新型智能化图像跟踪算法，利用以图像为主的多种传感器感知周围环境，加强图像跟踪智能算法对周围环境的识别力，建立多种传感器的智能图像跟踪模型，提高图像目标跟踪的精度和计算效率。
一种用于无人机的智能化目标图像跟踪方法，
步骤1：基于多传感器的多源数据采集和同步预处理：由一个主传感器按时序采集
图像数据、多个副传感器按时序采集多种其他物理数据，并对上述主传感器和多个副传感
器采集的时序数据进行同步预处理，得到：表示主传感器第s帧采集的图像；表示
在主传感器采集第帧之前一段时间内第个副传感器所采集到的数据的平均期望；
步骤2：建立神经网络模型，推测第s帧中跟踪目标的位置
搜索图像为步骤1获得的第s帧采集的图像，跟踪目标记为；第一隐藏层
为：
其中、为预处理滤波器，分别表示宽、高和深度维，表示
对应图像宽、高维度的坐标，、为截距参数，是激活函数；
在第二隐藏层中，利用利用雨量、雪量、PM2.5传感器的数据、、对
上一层输出进行优化；在第三隐藏层中，对上一层的输出进行累加运算；在第四隐藏层中利
用温度、湿度传感器的数据、对上一层输出进行优化；在第五隐藏层中，对上一
层的输出进行卷积运算；
在输出层中，利用风速传感器数据，对上一层的输出进行修正：
其中，表示风速传感器数据向量的第个元素，为上一层的输出，是
修正线性参数，为神经网络模型的输出，是截距参数。
在神经网络模型训练阶段，对训练样本中跟踪目标在输出中对应的位置的像素
置为1，其它部分像素置为0。
神经网络分类器的代价函数定义为：
表示网络模型的输出值，表示训练样本中的输出标签。
采用上述神经网络模型根据主传感器采集的图像数据、多个副传感器采集的数据进行跟踪，求得模型输出的响应图中的峰值响应，作为跟踪目标的输出位置。
该方法在安装于无人机的处理器上实施。
该处理器与图像传感器、雨量传感器、雪量传感器、湿度传感器、温度传感器、风速传感器、细颗粒物PM2.5传感器连接。
该处理器接收多个传感器数据，并根据步骤2进行处理，输出跟踪目标的位置。
一种实施上述方法的无人机，包括无人机本体、处理器、图像传感器。
还包括图像传感器、雨量传感器、雪量传感器、湿度传感器、温度传感器、风速传感器、细颗粒物PM2.5传感器。
一种无人机跟踪系统，包括上述无人机。
本发明的发明点及技术效果：
1、本发明提出基于多传感器的多源数据采集和同步预处理方法，为多种数据的联合使用打下基础，可以有效降低神经网络的模型规模，提高跟踪的精度。
2、建立并优化神经网络模型，以第一步中获得的主、副传感器联合数据作为输入，并且采用在各隐藏层中逐步输入的方式，可避免传感器数据冗余，提高预测精度和计算速度，使得无人机能够实现目标实时图像精确跟踪。
具体实施方式
步骤1：基于多传感器的多源数据采集和同步预处理方法。
图像本质上是对现实世界的不完备映射，因此现实世界中的目标在图像空间中不可避免地存在二义性，为跟踪带来了困难。现实世界中，当无人机工作在复杂环境下，如雾天、雨天、雪天、沙尘天等环境下，传统算法的局限性更加突出。为此，提出一种基于多传感器的多源数据采集方法。
该多源数据采集方法及装置，包括以图像传感器（摄像机）为主的主传感器，及若干副传感器，包括雨量传感器、雪量传感器、湿度传感器、温度传感器、风速传感器、细颗粒物PM2.5传感器等。
所有传感器采集时序数据，并以时间维度进行同步处理。每种时序数据的时间横断面上，主传感器采集的图像数据为二维结构（矩阵），其它副传感器采集的数据为一维结构（向量）。
对上述传感器采集的时序数据，进行同步预处理。如下。
主传感器采集的时序数据，记为
代表主传感器图像数据的在时间上的横断面，表示传感器采集的时间序
数，。表示相邻采集间隔时间。
副传感器采集的时序数据，记为
表示第个副传感器数据在时间上的横断面，表示第个副传感器采集的时
间序数，，表示相应传感器的相邻采集间隔时间。
不同传感器采集的间隔是不同的，即、、…是不同的。以主传感器图像数
据为基准，对其它副传感器数据进行时间同步。
定义：
表示时间差值，表示在主传感器采集第帧之前一段时间内第个副传感器
所采集到的数据的平均期望，表示满足的的个数，即副传感器
在一段时间内采集到的数据量。
定义：
表示主传感器第s帧采集的图像。
如上述定义的、，表示同步的第s帧主、副传感器联合数据。
步骤2：建立神经网络模型，将上述联合数据作为输入，基于第一步中获得的主、副传感器联合数据实施图像跟踪，推测第s帧中图像目标的位置。
在复杂应用环境下，多源传感器的传感器数据能够为图像数据中的不确定性提供补充。例如雨量、雪量、PM2.5传感器可以用来评估图像的噪声干扰程度，优化预处理滤波器的参数。温度、湿度传感器可用来评估环境照度因子，从而优化光照补偿滤波器的参数。风速传感器可用来评估无人机本体的运动速度，用来优化运动补偿滤波器的参数。
根据上述多源数据，提出一种基于孪生网络的图像跟踪模型和方法，该模型的输
入包括跟踪目标和搜索图像两部分。其中，搜索图像为步骤1获得的第s帧采集的图像，
跟踪目标记为。的尺寸小于。
根据上述输入，定义神经网络模型中的隐藏层计算方法如下。
其中，、被称为预处理滤波器，是3维卷积滤波器，分别表示宽、高（对
应于图像的宽、高）和深度维，尺寸是5*5*32。和分别表
示图像与图像中的一个像素，中括号中的值表示其宽、高维度的坐
标。、为截距参数。是神经网络的激活函数，定义如下。
为线性放大参数，用于调节输出的范围，一般取.
上述、称为预处理滤波后输出，为与输入图像（即搜索图像和跟踪目标图像）
相同大小的两组图像，每组32张图像。通过、可以定位其每个像素的坐
标。
利用雨量、雪量、PM2.5传感器（分别记为、、）对上述输出进行优
化，如下。
其中. 表示传感器数据向量的第个元素，、为上一步的输
出，、是修正线性参数，表示利用传感器数据向量的第个元素对上一步输出的第元素进行修正，获得修正后的第元素。输出、为与上一步等尺寸和维度
的图像集合。、是该步骤的截距参数。
进一步的，定义：
其中、是该步骤的截距参数，、是上一步的输出，、是三维卷积滤波
器，尺寸是13*13*32，通过该滤波器将上一步输出的两组各32张图像映射到两张图像、
中，表示它们中一个像素的坐标。、称为光照补偿滤波器。
利用温度、湿度传感器（分别记为、）对上述输出进行优化，如下。
其中. 表示传感器数据向量的第个元素，、为上一步的输
出，、是修正线性参数，表示利用传感器数据向量的第个元素对上一步输出的第元素进行修正，获得修正后的第元素。输出、为与上一步等尺寸的图像。、是该步骤的截距参数。
进一步的，定义：
式9实际上是图像和的相关滤波器，作为滤波器的卷积核，表示其像
素坐标；是中像素坐标；对应的，是相关滤波结果中的坐标。
利用风速传感器数据（记为），对上述输出进行修正如下。
表示风速传感器数据向量的第个元素，为上一步的输出，是修正
线性参数，表示利用传感器数据向量的第个元素对上一步输出的第元素进行修正，
获得修正后的第元素。输出为神经网络模型的输出层。是该步骤的截距参数。
以上5-10定义了所述的基于孪生网络的图像跟踪模型和计算方法。
根据相关滤波的定义，输出响应值的峰值代表目标在图像中的位置，根据模型定
义，在训练阶段，对训练样本中跟踪目标在输出中对应的位置的像素置为1，其它部分像
素置为0. 为了提高模型的稳定性，将跟踪目标中心位置周围小窗口的像素全部置为1. 神
经网络分类器的代价函数定义为：
表示网络模型的输出值，表示训练样本中的输出标签。
采用上述模型根据主传感器采集的图像数据、副传感器采集的数据进行跟踪，求得模型输出的响应图中的峰值响应，作为跟踪器的输出位置。
| 对比数据 | 平均跟踪误差 | 平均每帧计算速度 |
| SiamFC | 2.1像素 | 0.28s |
| 本发明 | 1.3像素 | 0.13s |
本发明提出新型智能化图像跟踪算法，利用以图像为主的多种传感器感知周围环境，加强图像跟踪智能算法对周围环境的识别力，建立多种传感器的智能图像跟踪模型，提高图像目标跟踪的精度和计算效率。实验结果表明，本发明提出的方法在复杂环境下具有更高的跟踪精度，且计算速度更快。
无人机系统包括：无人机本体、处理器、图像传感器，还可以包括以下传感器中的一个或多个：雨量传感器、雪量传感器、湿度传感器、温度传感器、风速传感器、细颗粒物PM2.5传感器。其中处理器用于与上述一个或多个传感器连接，接收传感器数据，并根据前述步骤1、步骤2进行处理，输出跟踪目标的位置。
作为另一种情况，无人机系统可不设置以下传感器中的一个或多个：雨量传感器、雪量传感器、湿度传感器、温度传感器、风速传感器、细颗粒物PM2.5传感器。地面系统包含上述一个或多个传感器，从而无人机通过通讯系统接收地面系统发送的有关周边环境的各种数据，作为跟踪的环境基础，同样利用步骤2的神经网络模型进行运算获得跟踪目标的位置。
可以理解，本发明的说明书仅是对技术方案的充分描述，并不是对权利范围的限定。以该说明书提出的发明构思为前提，相关的变形都在本发明的保护范围之内。
Claims (10)
1.一种用于无人机的智能化目标图像跟踪方法，其特征在于：
步骤1：基于多传感器的多源数据采集和同步预处理：由一个主传感器按时序采集图像数据、多个副传感器按时序采集多种其他物理数据，并对上述主传感器和多个副传感器采集的时序数据进行同步预处理，得到：表示主传感器第s帧采集的图像；/>表示在主传感器采集第/>帧之前一段时间/>内第/>个副传感器所采集到的数据的平均期望；
步骤2：建立神经网络模型，推测第s帧中跟踪目标的位置
搜索图像为步骤1获得的第s帧采集的图像，跟踪目标记为/>；第一隐藏层为：
，
其中、/>为预处理滤波器，/>分别表示宽、高和深度维，/>表示对应图像宽、高维度的坐标，/>、/>为截距参数，/>是激活函数；
在第二隐藏层中，利用利用雨量、雪量、PM2.5传感器的数据、/>、/>对上一层输出进行优化；在第三隐藏层中，对上一层的输出进行累加运算；在第四隐藏层中利用温度、湿度传感器的数据/>、/>对上一层输出进行优化；在第五隐藏层中，对上一层的输出进行卷积运算；
在输出层中，利用风速传感器数据，对上一层的输出进行修正：
，
其中，表示风速传感器数据向量的第/>个元素，/>为上一层的输出，/>是修正线性参数，/>为神经网络模型的输出，/>是截距参数。
2.如权利要求1所述方法，其特征在于：在神经网络模型训练阶段，对训练样本中跟踪目标在输出中对应的位置的像素置为1，其它部分像素置为0。
3.如权利要求2所述方法，其特征在于：神经网络分类器的代价函数定义为：
，
表示网络模型的输出值，/>表示训练样本中的输出标签。
4.如权利要求1所述方法，其特征在于：采用上述神经网络模型根据主传感器采集的图像数据、多个副传感器采集的数据进行跟踪，求得模型输出的响应图中的峰值响应，作为跟踪目标的输出位置。
5.如权利要求1所述方法，其特征在于：该方法在安装于无人机的处理器上实施。
6.如权利要求5所述方法，其特征在于：该处理器与图像传感器、雨量传感器、雪量传感器、湿度传感器、温度传感器、风速传感器、细颗粒物PM2.5传感器连接。
7.如权利要求5所述方法，其特征在于：该处理器接收多个传感器数据，并根据步骤2进行处理，输出跟踪目标的位置。
8.一种实施如权利要求1-5任意一项所述方法的无人机，其特征在于：包括无人机本体、处理器、图像传感器。
9.如权利要求8所述无人机，其特征在于：还包括图像传感器、雨量传感器、雪量传感器、湿度传感器、温度传感器、风速传感器、细颗粒物PM2.5传感器。
10.一种无人机跟踪系统，其特征在于包括如权利要求8、9所述的无人机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310697873.1A CN116703975B (zh) | 2023-06-13 | 2023-06-13 | 一种用于无人机的智能化目标图像跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310697873.1A CN116703975B (zh) | 2023-06-13 | 2023-06-13 | 一种用于无人机的智能化目标图像跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116703975A true CN116703975A (zh) | 2023-09-05 |
| CN116703975B CN116703975B (zh) | 2023-12-15 |
Family
ID=87832149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310697873.1A Active CN116703975B (zh) | 2023-06-13 | 2023-06-13 | 一种用于无人机的智能化目标图像跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703975B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106842128A (zh) * | 2017-02-11 | 2017-06-13 | 陈昭男 | 运动目标的声学跟踪方法及装置 |
| KR20200017601A (ko) * | 2018-08-01 | 2020-02-19 | 문영실 | 필드양식장 불법행위감시가 가능한 무인비행체 및 인공지능 딥러닝을 이용한 불법행위 분석과 인식에 따른 감시 방법 |
| US20200184658A1 (en) * | 2018-12-05 | 2020-06-11 | Ankobot (Shenzhen) Smart Technologies Co., Ltd. | Monitoring method and device for mobile target, monitoring system and mobile robot |
| WO2021189507A1 (zh) * | 2020-03-24 | 2021-09-30 | 南京新一代人工智能研究院有限公司 | 一种用于车辆检测跟踪的旋翼无人机系统及检测跟踪方法 |
| CN114510072A (zh) * | 2022-01-18 | 2022-05-17 | 香港理工大学深圳研究院 | 基于进化迁移优化的多无人机路径规划方法、终端及介质 |
| CN115016496A (zh) * | 2022-06-30 | 2022-09-06 | 重庆大学 | 基于深度强化学习的水面无人艇路径跟踪方法 |
| CN115704898A (zh) * | 2021-08-03 | 2023-02-17 | 伟摩有限责任公司 | 自主交通工具应用中相机图像和雷达数据的关联 |
-
2023
- 2023-06-13 CN CN202310697873.1A patent/CN116703975B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106842128A (zh) * | 2017-02-11 | 2017-06-13 | 陈昭男 | 运动目标的声学跟踪方法及装置 |
| KR20200017601A (ko) * | 2018-08-01 | 2020-02-19 | 문영실 | 필드양식장 불법행위감시가 가능한 무인비행체 및 인공지능 딥러닝을 이용한 불법행위 분석과 인식에 따른 감시 방법 |
| US20200184658A1 (en) * | 2018-12-05 | 2020-06-11 | Ankobot (Shenzhen) Smart Technologies Co., Ltd. | Monitoring method and device for mobile target, monitoring system and mobile robot |
| WO2021189507A1 (zh) * | 2020-03-24 | 2021-09-30 | 南京新一代人工智能研究院有限公司 | 一种用于车辆检测跟踪的旋翼无人机系统及检测跟踪方法 |
| CN115704898A (zh) * | 2021-08-03 | 2023-02-17 | 伟摩有限责任公司 | 自主交通工具应用中相机图像和雷达数据的关联 |
| CN114510072A (zh) * | 2022-01-18 | 2022-05-17 | 香港理工大学深圳研究院 | 基于进化迁移优化的多无人机路径规划方法、终端及介质 |
| CN115016496A (zh) * | 2022-06-30 | 2022-09-06 | 重庆大学 | 基于深度强化学习的水面无人艇路径跟踪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116703975B (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109034018B (zh) | 一种基于双目视觉的低空小型无人机障碍物感知方法 | |
| CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
| CN115032651A (zh) | 一种基于激光雷达与机器视觉融合的目标检测方法 | |
| CN112486197B (zh) | 基于多源图像自适应选权的融合定位跟踪控制方法 | |
| CN102110227A (zh) | 基于上下文关系的多分辨率遥感图像复合分类方法 | |
| CN111536970B (zh) | 一种用于低能见度大尺度场景的红外惯性组合导航方法 | |
| CN115393712B (zh) | 基于动态混合池化策略的sar图像道路提取方法及系统 | |
| CN115861591B (zh) | 基于transformer关键纹理编码匹配的无人机定位方法 | |
| CN115280960B (zh) | 一种基于田间视觉slam的联合收获机转向控制方法 | |
| CN116863357A (zh) | 一种无人机遥感堤坝影像定标与智能分割变化检测方法 | |
| CN116258940A (zh) | 一种多尺度特征及自适应权重的小目标检测方法 | |
| CN112434569A (zh) | 一种无人机热成像系统 | |
| Xu et al. | MP-Net: An efficient and precise multi-layer pyramid crop classification network for remote sensing images | |
| CN114419146A (zh) | 一种多源光学样本生成方法和系统 | |
| Zhong et al. | Identification and depth localization of clustered pod pepper based on improved Faster R-CNN | |
| CN111666896A (zh) | 一种基于线性融合模型的遥感影像时空融合方法 | |
| CN116703975B (zh) | 一种用于无人机的智能化目标图像跟踪方法 | |
| CN116580310B (zh) | 一种基于图像识别的作物长势监测方法 | |
| CN102800101A (zh) | 一种星载红外遥感图像机场roi快速检测方法 | |
| CN117333846A (zh) | 恶劣天气下基于传感器融合和增量学习的检测方法及系统 | |
| CN115294562B (zh) | 一种植保机器人作业环境智能感知方法 | |
| CN115330747A (zh) | 基于DPS-Net深度学习的水稻植株计数、定位和大小估计方法 | |
| CN115761265A (zh) | 一种用于提取激光雷达点云中变电站设备的方法及装置 | |
| CN113011293B (zh) | 一种行道线参数实时提取方法 | |
| CN115909285A (zh) | 一种雷达和视频信号融合的车辆跟踪方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |